بکارگیری هرچه بیشتر علوم مهندسی سیستم ها و کنترل و فناوری های نوین، موجبات رشد و توسعه هرچه بیشتر کشورها را فراهم می آورد. یکی از زیرساخت های مهم توسعه پایدار کشورها، شبکه های حمل و نقل می باشد که دراین میان بزرگراه ها از مهمترین ارکان آنها هستند. به همین دلیل با توجه به پیچیدگی سیستم ترافیک، در سالهای اخیر مدلسازی و کنترل جریان های ترافیکی در بزرگراهها مورد توجه ویژه محافل کنترل بوده است. در این راستا روش های مدلسازی متنوعی پیشنهاد شده است. اما با توجه به پیچیدگی و ترم های غیر خطی موجود در سیستم، بسیاری از این مدل ها قادر به شبیه سازی دقیق رفتار ترافیک نیستند. در این پایان نامه، ابتدا راهکارهای جدیدی برای بهبود کارآمدی و توسعه محدوده عملکرد مدلسازی جریان ترافیک به کمک آنالیز مولفه های اصلی و شبکه های عصبی پیشنهاد می گردد. در نتایج شبیه سازی های انجام شده، کارآمدی مدل پیشنهادی در مقایسه با شبکه های عصبی دیگر نشان داده شده است. در ادامه، با توجه به اهمیت بحث کنترل، عملکرد مدل پیشنهادی در ترکیب با کنترلر پیش بین مورد بررسی قرار می گیرد. در نتایج به دست آمده، مشخص است که کنترلر پیش بین در ترکیب با مدل پیشنهادی قادر به کنترل جریان ترافیک با استفاده از محدودکننده فلو در بزرگراه فرضی مورد مطالعه است.در ادامه، عملکرد مدل پیشنهادی و ترکیب آن با کنترلر پیش بین بر روی داده های حقیقی به دست آمده از بزرگراهی در آمریکا مورد بررسی قرار گرفته است. در این بخش نشان داده شده است که مدل شبکه عصبی پیشنهادی در مقایسه با مدل معروف metanet با دقت بیشتری قادر به مدل کردن رفتار ترافیک در این بزرگراه می باشد. همچنین نشان داده شده است که محدودکننده فلوی بزرگراه با مدل شبکه عصبی و کنترلر پیش بین در مقایسه با محدودکننده سرعت با مدل metanet و کنترلر پیش بین، گزینه بهتری در جهت کنترل ترافیک در این بزرگراه است.